Messstellen für das Monitoring 2018

Wed, Oct 4, 2017

Auswahlkriterien

kleiner 30km² (0.46- 29.94) Einzugsgebietsfläche
grrößer 40% (0.4 - 0.98) Landwirtschaft
keine Kläranlage

Anzahl der zukünftigen Probestellen pro Bundesland

Table 1: Bundesländer und ihr Anteil an Landwirtschaft berechnet aus ATKIS-Daten (ATKIS_LAWI%), berechnet aus dem Ackerland vorbericht 2016 (ALVBERICHT_LAWI%) und die Verteilung des Königsteiner Schlüssels (KS%), sowie die Anzahl an Messstellen pro Bundesland für das zukünftige Monitoring bei insgesamt 380 Messstellen (MST_380) und 190 Messstellen (MST_190).
BL	Bundesland	ATKIS_LAWI%	ALVBERICHT_LAWI%	KS%	MST_380	MST_190
BW	Baden-Württemberg	7.5	6.9	13.0	28	14
BY	Bayern	17.9	17.6	15.5	68	34
BB	Brandenburg	8.4	8.6	3.0	32	16
HE	Hessen	4.6	4.0	7.4	17	9
MV	Mecklenburg-Vorpommern	8.1	9.1	2.0	31	16
NI	Niedersachsen	14.7	15.8	9.3	56	28
NW	Nordrhein-Westfalen	9.2	9.0	21.1	35	18
RP	Rheinland-Pfalz	3.9	3.5	4.8	15	8
SL	Saarland	0.4	0.3	1.2	2	1
SN	Sachsen	5.5	6.0	5.1	21	11
ST	Sachsen-Anhalt	8.2	8.4	2.8	31	16
SH	Schleswig-Holstein	6.5	5.6	3.4	25	13
TH	Thüringen	5.0	5.2	2.7	19	10

Verteilung der Einzugsgebiete nach dem Anteil an Landwirtschaft und der Einzugsgebietsgröße.

## Verschneiden mit WWTP_2000 layer (v. Sebastian Maassen, Jörg Rechenberg (UBA) erhalten)
test = ezg[-unlist(st_intersects(ezg, wwtp)),]
mapview(test)
class(test)
mapview(ezg)
st_crs(ezg) = st_crs(wwtp)

Zufällige Auswahl von Messstellen pro Bundesland

Ausgehend von der benötigten Anzahl an Messstellen pro Bundesland werden einmal zufällige Messstellen in jedem Bundesland gezogen und ein weiters Mal Messstellen mit einer Gewichtung hinsichtlich der Einzugsgebiestgröße gezogen.

Verteilung der zufällig gezogenen Messstellen

Die Verteilung des Anteils an landwirtschaflticher Fläche ähnelt der Gesamtverteilung.

## Random sampling
setDT(ezg_dt)
site_state2 = site_state[site_state$BL != 'SL', ] # keine EZG im Saarland
ns = setNames(site_state2$MST_190, site_state2$BL)
set.seed(12345678)
s1 = ezg_dt[ezg_dt[ ,
                     sample(x = .I,
                            size = ns[ match(unlist(.BY), names(ns)) ],
                            replace = FALSE),
                     by = 'state']$V1, ]

Verteilung der mit unterschiedlichen Wahrscheinlichkeiten gezogenen Messstellen

Da vermutet wird, dass mit absteigender EZG-Größe die Anzahl der EZG steigt, werden kleine EZG bei der Ziehung stärker gewichtet.

## Random sampling with probabilities
# thanks to
# https://stackoverflow.com/questions/17001808/generate-random-integers-between-two-values-with-a-given-probability-using-r
# ???
sample_list = list()
for (i in 1:length(names(ns))) {
  st = names(ns)[i]
  ezg_state = ezg_dt[ ezg_dt$state == st ]

  I1 = ezg_state[ , .I[area_sqkm <= 5]]
  I2 = ezg_state[ , .I[area_sqkm > 5 & area_sqkm <= 10]]
  I3 = ezg_state[ , .I[area_sqkm > 10 & area_sqkm <= 15]]
  I4 = ezg_state[ , .I[area_sqkm > 15 & area_sqkm <= 25]]
  I5 = ezg_state[ , .I[area_sqkm > 25 & area_sqkm <= 30]]
  
  L = sapply(list(I1, I2, I3, I4, I5), length); L
  
  set.seed(12345678)
  s2 = ezg_state[ezg_state[ ,
                            sample(x = c(I1, I2, I3, I4, I5),
                                   size = ns[ match(unlist(.BY), names(ns)) ],
                                   prob = rep(c(1/1.5, 1/4, 1/6, 1/9, 1/12) / L, L),
                                   replace = FALSE), 
                            by = 'state']$V1, ]
  sample_list[[i]] = data.table(s2)
}
sample_dt = rbindlist(sample_list)

Karte der ausgewählten Einzugsgebiete

Weitere (noch nicht beachtete) Auswahlkriterien

Handynetz
Abstand zwischen den Einzugsgebieten
Kläranlagen

Messstellen nahe Landau

Catchments in a 50km circumference of Landau

# German cities
drv = dbDriver('PostgreSQL')
con = dbConnect(drv, user = DBuser, dbname = DBname_1, host = DBhost, port = DBport, password = DBpassword)
# Why is it so slow???!! https://github.com/r-spatial/sf/issues/503
#pl = st_read_db(con, query = "SELECT * FROM spatial_derived.germany_places")
pl = get_postgis_query(con, "SELECT * FROM spatial_derived.germany_places", geom_name = 'geom')
pl = st_as_sf(pl)
invisible(dbDisconnect(con))
invisible(dbUnloadDriver(drv))

# grep Ladau
ld = pl[grep('Landau.+Pfalz', pl$name), ]

# Intersect catchments in a 50km circumference of Landau
st_crs(ld) = st_crs(ezg) #! p4s not matching 100%, change this in DB

## Warning: st_crs<- : replacing crs does not reproject data; use st_transform
## for that

ezg_ld_50 = ezg[unlist(st_intersects(st_buffer(ld, 50000), ezg)), ]

# interactive table
datatable(as.data.frame(ezg_ld_50)[ ,-7], caption = 'Catchments in a 50km circumference of Landau')

Auswahl um Landau

# manual selection
ezg_ld = c('RP_2375895800', 'RP_2378897000', 'RP_2391899300', 'BW_KR019.00')

# plot intersection area and all RP catchments
mapview(st_buffer(ld, 50000), color = 'goldenrod', lwd = 2, alpha.regions = 0,
        map.type = 'Esri.WorldImagery') +
  mapview(ezg[ezg$state %in% c('BW', 'HE', 'RP'), ], alpha.regions = 0.2, layer.name = 'EZG in BW, HE, RP') +
  mapview(ezg[ezg$site_id %in% ezg_ld, ], color = 'red', lwd = 3, layer.name = 'ausgewählte EZG')
datatable(as.data.frame(ezg)[ezg$site_id %in% ezg_ld, -7])

Andreas' blog